数字图像修复(Inpainting)利用图像有效信息,按照一定规则对图像中损坏部分进行填补,使得修复后图像接近或达到原图像的视觉效果。该项技术在视频图像差错掩盖、影视特效制作、艺术品修复等领域具有广泛应用前景,已成为图像处理领域的研究热点。图像修复是图像分析领域中基础性问题,该问题的解决关键在于图像模型的建立,为此,本文在深入学习主要图像修复模型的基础上,从以下几方面研究一些图像修复新思路。首先,为加强图像局部邻域信息的利用,同时保证修复方向与图像结构内容相一致,提出基于局部学习基稀疏约束结合优先权选择扩散的图像修复思路。该算法在学习丢失区局部邻域的基础上,沿着等照度线方向对丢失区进行稀疏重构,实现了图像不同结构成分的较好修复。其次,为了根据图像全局自相似信息寻求图像修复的全局最优解,提出一种非局部均值滤波结合优先权选择扩散的全局优化图像修复算法。根据图像信息冗余性特点在图像丢失区域上建立图像修复全局能量方程,采用基于非局部均值滤波的最大期望值算法优化求解出一个全局能量最小值。此外,在每次修复中约束修复方向沿着等照度线进行,进一步加强图像结构信息的修复。实验结果证明了该算法的有效性。最后,为了根据图像全局自相似信息加强图像表示的稀疏性约束,并建立与图像内容自适应的字典,本文提出了基于分类学习字典全局稀疏表示模型的图像修复思路。该算法首先对图像中不同几何结构的多个子区域分别构建符合各自结构特征的学习字典。然后根据图像自相似性特点构建能够描述图像块空间组织结构关系的全局稀疏最大期望值表示模型,迭代修复图像损坏区域。实验结果表明该算法有效提高了图像修复的质量。